Uma película para carro consegue enganar câmaras de vigilância?

Uma startup chamada noRecognition afirma ter desenvolvido padrões que podem tornar os veículos quase invisíveis para sistemas de vigilância baseados em inteligência artificial. A empresa, fundada pelo investigador de segurança cibernética Bill Swearingen, criou designs gerados por computador que supostamente confundem os sistemas de deteção de IA. Estes padrões estão a ser testados como uma forma de evitar os leitores automáticos de matrícula da Flock, que são utilizados para recolher dados pessoais. A empresa também vendeu designs semelhantes para vestuário, incluindo t-shirts e sweatshirts, que são comercializados como ferramentas para contornar a tecnologia de reconhecimento facial. Swearingen demonstrou um protótipo de carro numa conferência de segurança cibernética Def Con em Las Vegas. O carro, um Toyota Yaris de 2009 revestido com um padrão abstrato azul e amarelo, foi testado contra 11 algoritmos de deteção de código aberto, incluindo aqueles utilizados pela Flock e câmaras corporais da Axon. Ele explicou que os padrões fazem parte de uma estratégia conhecida como 'mídia adversária', que explora vulnerabilidades nos algoritmos de IA para enganar os sistemas de visão computacional. Esta abordagem, conhecida como 'ruído adversário', envolve o uso de arranjos específicos de formas e cores para confundir os modelos de IA. Esta técnica também tem sido utilizada por manifestantes que aplicam maquiagem surrealista nos seus rostos para evitar os sistemas de reconhecimento facial. Este método é referido como 'dizimação da visão computacional' e foi desenvolvido pelo investigador Adam Harvey. Apesar do potencial dos padrões adversários, a sua eficácia não é garantida. Cada design deve ser testado contra sistemas e algoritmos específicos, e a tecnologia de IA está em constante evolução. Embora alguns designers de vestuário anti-IA tenham tentado popularizar estas técnicas, muitos não realizaram testes extensivos. O desafio permanece em garantir que estes padrões funcionem de forma fiável em cenários do mundo real.